一种特征显著性编码的极光图像分类方法

doi:10.3969/j.issn.1001-2400.2013.06.030

J4 ›› 2013, Vol. 40 ›› Issue (6): 180-186.doi: 10.3969/j.issn.1001-2400.2013.06.030

一种特征显著性编码的极光图像分类方法

韩冰^1,2;仇文亮^1,2

(1. 西安电子科技大学电子工程学院，陕西西安 710071；
2. 西安电子科技大学智能感知与图像理解教育部重点实验室，陕西西安 710071)

收稿日期:2012-12-20 出版日期:2013-12-20 发布日期:2014-01-10
作者简介:韩冰(1978-)，女，副教授，E-mail: bhan@xidian.edu.cn．
基金资助:
国家自然科学基金资助项目(41031064, 60902082)；陕西省自然科学基础研究计划资助项目(2011JQ8019)；海洋公益性行业科研专项资助项目(201005017)；教育部留学回国人员科研启动基金资助项目；中央高校基本科研业务基金资助项目(K5051302008)

Aurora images classification via features salient coding

HAN Bing^1,2;QIU Wenliang^1,2

(1. School of Electronic Engineering, Xidian Univ., Xi'an 710071， China;
2. Ministry of Education Key Lab. of Intelligent Perception and Image Understanding, Xidian Univ., Xi'an 710071， China)

Received:2012-12-20 Online:2013-12-20 Published:2014-01-10

摘要/Abstract

摘要：

提出了一种基于静态极光图像分类的新方法．在研究了极光图像特殊性的基础上，提取极光图像的尺度不变特征转换(SIFT)特征，再利用模糊C均值聚类获得所有SIFT特征的聚类中心，根据显著编码将聚类中心的权值作为极光图像的最终特征，通过支撑向量机对3200幅极光图像进行分类．实验结果表明，所提出的新方法不但能够有效地对弧状极光进行分类，而且在复杂冕状极光图像分类时，也取得了良好效果．

关键词: 日侧极光, 尺度不变特征转换特征, 模糊C均值, 显著编码, 图像分类

Abstract:

The change of the form of the aurora reveals the atmospheric activities and the degree of the influence of the sun on the earth. The research on aurora image classification is an effective way to study the aurora phenomenon. In this paper, an image classification method for auroras is developed. According to the characteristics of aurora images, the SIFT features of aurora image are extracted. Then the clustering centers of all SIFT features are obtained by the fuzzy C-means clustering method. Further, the weights of those clustering centers are calculated by the Salient Coding method and they are regarded as the final features for final aurora classification. Finally, the support vector machine is used to classify the 3200 aurora images. Experimental results show that the proposed method has a good performance not only on arc shape aurora images but also on complicated crown shape aurora images.

Key words: dayside aurora, scale-invariant feature transform features, fuzzy C-means, salient coding, image classification

中图分类号:

TN911.73

韩冰;仇文亮. 一种特征显著性编码的极光图像分类方法[J]. J4, 2013, 40(6): 180-186.

HAN Bing;QIU Wenliang. Aurora images classification via features salient coding[J]. J4, 2013, 40(6): 180-186.

参考文献

［1］胡泽骏, 杨惠根, 艾勇, 等. 日侧极光卵的可见光多波段观测特征-中国北极黄河站首次极光观测初步分析［J］. 极地研究, 2005, 17(2): 107-114.
Hu Zejun, Yang Huigen, Ai Yong, et al. Multiple Wavelengths Observation of Dayside Auroras in Visible Range-A Preliminary Result of the First Wintering Aurora Observation in China Arctic Station at Ny-(A) Lesund［J］. Chinese Journal of Polar Research, 2005, 17(2): 107-114.
［2］ Syrjasuo M T, Donovan E F. Diurnal Auroral Occurrence Statistics Obtained Via Machine Vision［J］. Annales Geophysicae, 2004, 22(4): 1103-1113.
［3］ Yang H, Sato N, Makita K, et al. Synoptic Observations of Auroras Along the Post Noon Oval: a Survey with All-sky TV Observations at Zhongshan, Antarctica［J］. Journal of Atmospheric and Solar-Terrestrial Physics, 2000, 62(9): 787-797.
［4］王倩, 梁继民, 高新波, 等. 基于表象特征的极光图形分类方法研究［C］//第十二届全国日地空间物理学术研讨会论文集. 北京: 中国学术期刊电子出版社, 2007: 71.
［5］高凌君, 高新波, 梁继民. 结合样本选择和AdaBoost的日侧冕状极光检测算法［J］. 中国图象图形学报A, 2010, 15(1): 116-121.
Gao Linjun, Gao Xinbo, Liang Jimin. Dayside Corona Detection Based on Sample Selection and AdaBoost Algorithm ［J］. Journal of Image and Graphics(A), 2010, 15(1): 116-121.
［6］ Fu R, Li J, Gao X, et al. Automatic Aurora Images Classification Algorithm Based on Separated Texture［C］//Proceedings of the IEEE International Conference on Robotics and Biomimetics. Piscataway: IEEE Robotics and Automation Society, 2009: 1331-1335.
［7］付蓉. 全天空极光图像的分类与检索［D］. 西安: 西安电子科技大学, 2011.
［8］ Wang Y, Gao X, Fu R, et al. Dayside Corona Aurora Classification Based on X-Gray Level Aura Matrices［C］//Proceedings of ACM International Conference on Image and Video Retrieval. New York: Association for Computing Machinery, 2010: 282-287.
［9］王钰茹. 基于X-GLAM特征的日侧极光图像分类算法研究［D］. 西安: 西安电子科技大学, 2011.
［10］ Lowe D G. Distinctive Image Features from Scale-invariant Key-points［J］. International Journal of Computer Vision, 2004, 2(60): 91-110.
［11］伍忠东, 高新波, 谢维信. 基于核方法的模糊聚类算法［J］. 西安电子科技大学学报, 2004, 31(4):533-537.
Wu Zhongdong, Gao Xinbo, Xie Weixin. A Study of a New Fuzzy Clustering Algorithm Based on the Kernel Method ［J］. Journal of Xidian University, 2004, 31(4): 533-537.
［12］高新波. 模糊聚类分析及其应用［M］. 西安: 西安电子科技大学出版社, 2004: 50-54.
［13］ Huang Y, Huang K, Yu Y, et al. Salient Coding for Image Classification［C］//Proceedings of the IEEE Computer Vision and Pattern Recognition. Piscataway: IEEE, 2011: 1753-1760.
［14］ Yu K, Zhang T, Gong Y. Nonlinear Learning Using Local Coordinate Coding［C］//Neural Information Processing Systems. Red Hook: Curran Associates Incorporated, 2009: 2223-2231.
［15］姚勇, 赵辉, 刘志镜. 一种非线性支撑向量机决策树多值分类器［J］. 西安电子科技大学学报, 2007, 34(6): 873-876.
Yao Yong, Zhao Hui, Liu Zhijing. Multi-class Classifier of Non-linear SVM Decision Tree ［J］. Journal of Xidian University, 2007, 34(6): 873-876.

[1]	慕彩红, 张富贵, 闫香蓉, 刘逸. 子空间与存储体的高光谱图像跨域小样本分类[J]. 西安电子科技大学学报, 2024, 51(5): 82-96.
[2]	谢雯,滑文强,焦李成,王若男. 采用深度学习的极化SAR地物分类方法综述[J]. 西安电子科技大学学报, 2023, 50(3): 151-170.
[3]	任佳兴, 曹玉东, 曹睿, 闫佳. 一种采用动态子空间的小样本图像分类算法[J]. 西安电子科技大学学报, 2022, 49(5): 166-174.
[4]	周建宇,位寅生,许荣庆. 一种改进模糊C均值聚类的电离层杂波分类方法[J]. 西安电子科技大学学报, 2021, 48(2): 35-41.
[5]	刘道华,王莎莎,杨志鹏,崔玉爽. 一种改进的局部嵌入网络人脸图像分类方法[J]. 西安电子科技大学学报, 2020, 47(4): 18-23.
[6]	宋建锋,韦玥,苗启广,权义宁,陈毓生. 压缩激励机制驱动的尿液细胞图像分类算法[J]. 西安电子科技大学学报, 2020, 47(2): 39-45.
[7]	李雪, 艾丽蓉, 周晓京, 张凯. 幼儿视力检查的自动评测方法[J]. 西安电子科技大学学报, 2018, 45(6): 150-155.
[8]	孙宸, 成立业. 空间感知矩阵学习的极化SAR图像分类[J]. 西安电子科技大学学报, 2018, 45(6): 92-98.
[9]	崔华;袁超;魏泽发;李盼侬;宋鑫鑫;纪宇;刘云飞. 利用FCM对静态图像进行交通状态识别[J]. 西安电子科技大学学报, 2017, 44(6): 79-84.
[10]	陈博;王爽;焦李成;刘芳;毛莎莎. 贝叶斯集成框架下的极化SAR图像分类 [J]. J4, 2015, 42(2): 45-51.
[11]	杨曦;李洁;韩冰;高新波. 一种分层小波模型下的极光图像分类算法[J]. J4, 2013, 40(2): 18-24.
[12]	孔月萍;曾平;张跃鹏. 一种半调图像分类识别算法[J]. J4, 2011, 38(5): 52-58+183.

一种特征显著性编码的极光图像分类方法

Aurora images classification via features salient coding

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

Metrics

本文评价

推荐阅读 0